[发明专利]基于改进U-Net网络的胸腺细胞图像分割方法

说明书

本发明公开了基于改进U‑Net网络的胸腺细胞图像分割方法，包括以下步骤：将UCSB breast图像数据集进行图像预处理；在U‑Net网络中，加入空洞残差模块和注意力模块；对U‑Net网络根据设定的训练策略进行训练；建立包括F1评分，对象级Dice系数和Hausdorff距离的评估指标，通过评估指标优化网络，得到最优模型；将需分割的细胞图像输入最优模型，经过特征提取和特征上采样得到分割蒙版。本发明通过改进一个基础分割网络，创建一个新的细胞图像分割方法，解决了胸腺图像自动分割过程中精度较低的问题，提高了分割的正确率和效率。

技术领域

本发明属于图像处理领域，涉及一种基于改进U-Net网络的胸腺细胞图像分割方法。

背景技术

近年来，结肠癌的发病率越来越高，结肠直肠癌是男性中第三常见的癌症，也是妇女中第二常见的癌症，其中大约95％的结肠直肠癌是腺癌。通常情况下，一个典型的腺体是由形成内部管状结构的腔管区域和细胞质周围的上皮细胞核组成的。由腺上皮产生的恶性肿瘤，也被称为腺癌，是最普遍的癌症形式。在组织病理学检查中，腺体形态被广泛用于评估几种腺癌，包括乳腺，前列腺和结肠。而精确的腺体分割是获得可靠的形态学统计信息的一个关键的先决条件，这些统计信息表明肿瘤的侵袭性。在以前，腺体分割是由评估活检样本中腺体结构的病理学专家进行的，但手工注释存在再现性有限，工作量大，费时等问题。随着计算病理学的出现，数字化组织学幻灯片正在被大量使用，需要分析大规模的组织病理学资料。因此，临床实践中对自动分割方法提出很高的要求，以提高分割效率和可靠性，减少病理学家的工作量。

现有技术中，通常利用各种手工特征或先验知识来分析组织病理学图像中的腺体结构，如基于图的方法，极坐标空间随机场模型，随机多边形模型等。近年来，深度学习因其强大的特征表达能力，在计算机视觉的图像识别相关任务中取得了巨大的成功，也推动了医学图像分析的发展。例如，U-Net在腺体分割任务上取得了优异性能，虽然U-Net是一个较为有效且简单的模型，但由于模型的深度不够，导致其特征表达能力有限。为了进一步提高腺体实例分割性能，一个拥有明确的轮廓损失函数的深度轮廓感知网络被提出，并在MICCAI腺体分割(Gland Segmentation，GlaS)现场挑战中取得最佳性能。此外，现有技术中还有将复杂的多通道区域和边界模式与侧面监督相结合的框架，以此实现腺体实例分割。

然而，由于几个重要因素，自动腺体分割仍然是一项具有挑战性的任务。首先，精确描绘腺体边界对提取形态学测量结果非常重要，但由于神经网络中的下采样会导致目标边缘的细节信息丢失，使得上采样后的特征图分辨率不高，降低了分割精度。其次，待分割的腺体具有不同的大小和形状，特别是随着癌症等级的增加，腺体出现结构分化现象，增加了分割难度。

发明内容

为解决上述问题，本发明通过改进一个基础分割网络，创建一个新的细胞图像分割方法，解决了胸腺图像自动分割过程中精度较低的问题，提高了分割的正确率和效率。

为实现上述目的，本发明的技术方案为一种基于改进U-Net网络的胸腺细胞图像分割方法，包括以下步骤：

将UCSB breast图像数据集进行图像预处理；

在U-Net网络中，加入空洞残差模块和注意力模块；

对U-Net网络根据设定的训练策略进行训练；

建立包括F1评分，对象级Dice系数和Hausdorff距离的评估指标，通过评估指标优化网络，得到最优模型；

将需分割的细胞图像输入最优模型，经过特征提取和特征上采样得到分割蒙版。

优选地，所述图像预处理包括旋转、裁剪和翻转变换得到固定大小的输入图像。

优选地，所述图像预处理为相似变换增强法，相似变换由以下得到：

将公式用M1表示，约束条件表达式为：